Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/49363 |
Resumo: | A pandemia da COVID-19 provocou 546 milhões casos e 20 milhões óbitos até 30 de junho de 2022, além disso gerou uma queda de 3% no PIB mundial em 2020. Um dos desafios no enfrentamento da doença é a previsão da quantidade de casos e óbitos, assim como a ten- dência de crescimento e decrescimento. Muitos trabalhos têm focado nessa tarefa, entretanto nenhum deles considerou a mudança de conceito nas séries temporais da COVID-19. Essas séries possuem basicamente três conceitos principais: crescimento exponencial, decrescimento e platô. Dessa forma, modelos que não tratam dessa questão podem apresentar baixa precisão em virtude da mudança na distribuição dos dados ao longo do tempo. Esse trabalho propõe o Concept Drift Dynamic Forecasting System (CODYS) para previsão de casos da COVID-19. O CODYS primeiramente realiza a detecção de conceitos na fase de treinamento para gerar um conjunto de preditores especialistas nos padrões encontrados. Na fase de teste, o método proposto seleciona dinamicamente a partir de uma região de competência o modelo mais apto para prever um dado padrão de teste. O CODYS foi avaliado utilizando conjuntos de dados dez países de diferentes continentes e graus de desenvolvimento. Os resultados mostram que o CODYS alcançou desempenho superior quando comparado com modelos de estatísticos, de aprendizado de máquina e ensembles. |
id |
UFPE_5a48e371d787acad8c80428ee2f44f24 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/49363 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
LIMA, Adriano Marabuco de Albuquerquehttp://lattes.cnpq.br/5477365718517046http://lattes.cnpq.br/4610098557429398MATTOS NETO, Paulo Salgado Gomes de2023-03-15T17:27:57Z2023-03-15T17:27:57Z2022-12-13LIMA, Adriano Marabuco de Albuquerque. Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/49363A pandemia da COVID-19 provocou 546 milhões casos e 20 milhões óbitos até 30 de junho de 2022, além disso gerou uma queda de 3% no PIB mundial em 2020. Um dos desafios no enfrentamento da doença é a previsão da quantidade de casos e óbitos, assim como a ten- dência de crescimento e decrescimento. Muitos trabalhos têm focado nessa tarefa, entretanto nenhum deles considerou a mudança de conceito nas séries temporais da COVID-19. Essas séries possuem basicamente três conceitos principais: crescimento exponencial, decrescimento e platô. Dessa forma, modelos que não tratam dessa questão podem apresentar baixa precisão em virtude da mudança na distribuição dos dados ao longo do tempo. Esse trabalho propõe o Concept Drift Dynamic Forecasting System (CODYS) para previsão de casos da COVID-19. O CODYS primeiramente realiza a detecção de conceitos na fase de treinamento para gerar um conjunto de preditores especialistas nos padrões encontrados. Na fase de teste, o método proposto seleciona dinamicamente a partir de uma região de competência o modelo mais apto para prever um dado padrão de teste. O CODYS foi avaliado utilizando conjuntos de dados dez países de diferentes continentes e graus de desenvolvimento. Os resultados mostram que o CODYS alcançou desempenho superior quando comparado com modelos de estatísticos, de aprendizado de máquina e ensembles.The COVID-19 pandemic caused 546 million cases and 20 million deaths by June 30, 2022, in addition to generating a 3% drop in world GDP in 2020. One of the challenges in coping with the disease is predicting the number of cases and deaths, as well as the trend of growth and decrease. Many works have focused on this task, however none of them considered the concept change in COVID-19 time series. These series basically have three main concepts: exponential growth, decrease and plateau. Thus, models that do not address this issue may have low accuracy due to the change in data distribution over time. This work proposes the Concept Drift Dynamic Forecasting System (CODYS) for forecasting COVID-19 cases. CODYS first performs concept detection in the training phase to generate a set of expert predictors based on the patterns found. In the test phase, the proposed method dynamically selects from a region of competence the model best able to predict a given test pattern. CODYS was evaluated using datasets from ten countries from different continents and levels of development. The results show that CODYS achieved superior performance when compared to statistical, machine learning and ensembles models.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessInteligência computacionalSéries temporaisAprendizado de máquinaSistema baseado em seleção dinâmica para previsão de casos de COVID- 19info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPECC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/49363/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/49363/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53ORIGINALDISSERTAÇÃO Adriano Marabuco de Albuquerque Lima.pdfDISSERTAÇÃO Adriano Marabuco de Albuquerque Lima.pdfapplication/pdf1694524https://repositorio.ufpe.br/bitstream/123456789/49363/1/DISSERTA%c3%87%c3%83O%20Adriano%20Marabuco%20de%20Albuquerque%20Lima.pdfa0c810bc462e7c05cdb2d96ba951ad37MD51TEXTDISSERTAÇÃO Adriano Marabuco de Albuquerque Lima.pdf.txtDISSERTAÇÃO Adriano Marabuco de Albuquerque Lima.pdf.txtExtracted texttext/plain104025https://repositorio.ufpe.br/bitstream/123456789/49363/4/DISSERTA%c3%87%c3%83O%20Adriano%20Marabuco%20de%20Albuquerque%20Lima.pdf.txta35ad89326c093e03b0ff174a2545290MD54THUMBNAILDISSERTAÇÃO Adriano Marabuco de Albuquerque Lima.pdf.jpgDISSERTAÇÃO Adriano Marabuco de Albuquerque Lima.pdf.jpgGenerated Thumbnailimage/jpeg1219https://repositorio.ufpe.br/bitstream/123456789/49363/5/DISSERTA%c3%87%c3%83O%20Adriano%20Marabuco%20de%20Albuquerque%20Lima.pdf.jpg90161a16558103b470888eb26fa9bf5aMD55123456789/493632023-03-16 02:11:40.854oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212023-03-16T05:11:40Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19 |
title |
Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19 |
spellingShingle |
Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19 LIMA, Adriano Marabuco de Albuquerque Inteligência computacional Séries temporais Aprendizado de máquina |
title_short |
Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19 |
title_full |
Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19 |
title_fullStr |
Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19 |
title_full_unstemmed |
Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19 |
title_sort |
Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19 |
author |
LIMA, Adriano Marabuco de Albuquerque |
author_facet |
LIMA, Adriano Marabuco de Albuquerque |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5477365718517046 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4610098557429398 |
dc.contributor.author.fl_str_mv |
LIMA, Adriano Marabuco de Albuquerque |
dc.contributor.advisor1.fl_str_mv |
MATTOS NETO, Paulo Salgado Gomes de |
contributor_str_mv |
MATTOS NETO, Paulo Salgado Gomes de |
dc.subject.por.fl_str_mv |
Inteligência computacional Séries temporais Aprendizado de máquina |
topic |
Inteligência computacional Séries temporais Aprendizado de máquina |
description |
A pandemia da COVID-19 provocou 546 milhões casos e 20 milhões óbitos até 30 de junho de 2022, além disso gerou uma queda de 3% no PIB mundial em 2020. Um dos desafios no enfrentamento da doença é a previsão da quantidade de casos e óbitos, assim como a ten- dência de crescimento e decrescimento. Muitos trabalhos têm focado nessa tarefa, entretanto nenhum deles considerou a mudança de conceito nas séries temporais da COVID-19. Essas séries possuem basicamente três conceitos principais: crescimento exponencial, decrescimento e platô. Dessa forma, modelos que não tratam dessa questão podem apresentar baixa precisão em virtude da mudança na distribuição dos dados ao longo do tempo. Esse trabalho propõe o Concept Drift Dynamic Forecasting System (CODYS) para previsão de casos da COVID-19. O CODYS primeiramente realiza a detecção de conceitos na fase de treinamento para gerar um conjunto de preditores especialistas nos padrões encontrados. Na fase de teste, o método proposto seleciona dinamicamente a partir de uma região de competência o modelo mais apto para prever um dado padrão de teste. O CODYS foi avaliado utilizando conjuntos de dados dez países de diferentes continentes e graus de desenvolvimento. Os resultados mostram que o CODYS alcançou desempenho superior quando comparado com modelos de estatísticos, de aprendizado de máquina e ensembles. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-12-13 |
dc.date.accessioned.fl_str_mv |
2023-03-15T17:27:57Z |
dc.date.available.fl_str_mv |
2023-03-15T17:27:57Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
LIMA, Adriano Marabuco de Albuquerque. Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/49363 |
identifier_str_mv |
LIMA, Adriano Marabuco de Albuquerque. Sistema baseado em seleção dinâmica para previsão de casos de COVID- 19. 2022. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/49363 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Ciencia da Computacao |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/49363/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/49363/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/49363/1/DISSERTA%c3%87%c3%83O%20Adriano%20Marabuco%20de%20Albuquerque%20Lima.pdf https://repositorio.ufpe.br/bitstream/123456789/49363/4/DISSERTA%c3%87%c3%83O%20Adriano%20Marabuco%20de%20Albuquerque%20Lima.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/49363/5/DISSERTA%c3%87%c3%83O%20Adriano%20Marabuco%20de%20Albuquerque%20Lima.pdf.jpg |
bitstream.checksum.fl_str_mv |
e39d27027a6cc9cb039ad269a5db8e34 5e89a1613ddc8510c6576f4b23a78973 a0c810bc462e7c05cdb2d96ba951ad37 a35ad89326c093e03b0ff174a2545290 90161a16558103b470888eb26fa9bf5a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310593096450048 |